跳转到主要内容
研究

将人工智能取代古典组件模拟吗?

raybet雷竞技ios下载博世Felix希尔德布兰德博客|发布的研究,2021-01-14

Felix希尔德布兰德谈到混合材料建模。

仿真工程在其极限

随着人工智能获得越来越多的产品工程的重要性,我——就像许多其他模拟专家的背景材料和组件——一直纳闷,一度AI是否将很快取代physical-based建模与仿真在产品开发过程中。几十年来,像我们这样的模拟工程师和研究人员一直面临着日益增长的对于精度的要求,加速产品周期和越来越复杂的材料和组件。这些要求让我们继续推动建模与仿真已经超越了极限,使用更加精致和复杂的多尺度和multi-physics模型和两种算法和硬件加速。但是,在许多情况下,我们面临着限制对计算性能和精度,例如当试图描述超出了完整的物理现象的理解。

人工智能作为一个改变游戏规则?

AI似乎是一种很有前途的解决这些挑战,与此同时,威胁我们的专业:有足够的数据,一些告诉这个故事的高度AI炒作——机器学习方法能够准确、有效地描述复杂现象的行为等功能材料或组件的失败。我们long-honed艺术纸笔推导的一致的物理模型,选择合适的边界条件的工艺完全捕获的本质问题和有效的模拟数值模型的高度复杂的微调似乎过时,过时了。

在产品工程数据稀疏

然而,当把人工智能测试在我们的问题,很明显几乎立即“足够的数据”通常的范围和完全从物理-切换到基于数据的建模并不是所有挑战的解决方案建模与仿真。在一个上下文数据非常稀疏,昂贵,有时无法访问,影响参数是丰富的,在设置,产品设计之前身体存在,可用于生成数据,纯粹的机器学习很快达到极限作为解决方案的策略。当然,这将是完全荒谬的离开大量的形式化和non-formalized域知识的材料和组件的行为出现在博世和社区中未使用的。raybet雷竞技ios下载

混合建模

你不会惊奇地发现,在过去几年,我们已经证实,一个最优解往往位于两个极端之间:在两者的结合数据和基于物理建模,我们现在称为“混合模型”。虽然听起来直观,这样的组合会比单独的方法,有无数可能的方法来指定这样的组合,它们并非都工作得很好。在这里,我想讨论两个设置在材料和组件的上下文建模中,我们发现结合机器学习和领域知识的特殊意义。

混合建模图

加速模拟

第一个设置仿真速度有关。实现准确的预测,如果应用程序需要巨大的计算资源,大大限制治疗的系统大小/时间尺度或相关设计变化和优化,那么您应该检查以下几点:有基本构件在反复的仿真评估和结束了吗?如果你能确定这样的构建块,如果,此外,它不依赖于特定的问题解决了,但如在不同组件共享模拟,然后机器学习可以很可能大大加快你的问题。一个例子等构建块是从头开始的力的计算依赖于原子分子动力学类型组合和配置而不是特定的仿真设置。另一个例子是一个潜在的行为代表等完全耦合的多尺度模拟的微观结构元素主要取决于材料和微观结构而不是特定组件的一部分。

如果这些条件都满足,现在基本方法来取代特性之间的关系,这些块提供(如原子配置或应变)和目标(如力或压力)通过一个合适的回归算法,典型的神经网络。在建立这样一个网络,它利用至关重要的物理结构和不变性。这样的不变性可以对某些操作,如旋转不变性,翻译或粒子交流。他们应该利用在设计网络的体系结构及其特性和训练网络时适当取样模拟数据从原来的构建块。

总的来说,我们发现,这些方法会导致加速两到四个数量级,这一周的模拟运行数小时内准确模拟复杂和计算几乎无法进入系统突然变得可行。在某些情况下,一个额外的好处可以使用生成的机器学习模型参数识别或优化。

现在为期一周的模拟运行数小时内由于加速两到四个数量级。

填充白色斑点

第二个场景中,“混合模型”往往是优于纯粹基于物理建模和基于数据的建模是更分散,我们不是(还)意识到一般的食谱方法如上草拟了加速模型。这个场景发生如果有一个物理模型,捕捉一些但不是全部相关机制的问题,如果,与此同时,有一些,但只有小实验数据可用。在这样的设置中,我们发现,结合机器学习领域的理解和通常可以产生一种改进方案,有问题可以向两个方向:

如果结合的起点是一个物理模型,包括一般行为但缺乏相关的机制,只不准确预测实验,那么可以使用可用的数据训练模型的修正。这样一个校正可以直接添加到仿真目标或可以合并作为一个内部校正参数的物理模型。我们看到这种方法的主要好处是增加解决方案的准确性,良好的可解释性和合理的可用数据以外的泛化。

然而,如果出发点是一个基于数据模型,缺乏数据,比的物理理解相关机制和特性可以用于基于物理特征选择和特征工程,关键在小数据的问题。准确的预测数据的要求和良好的可解释性的特性的主要好处是这一类。

如前所述,这些问题,相关的最优混合建模方法和他们的好处是非常依赖于可用的物理模型的形式和结构以及给定数据的性质。在我们看来,在这种情况下,关键是要获得广泛的经验,并定期交流和将这些经验提炼成越来越多的具体方法。

互相学习

除了上述技术的观点详细,我们发现的秘密武器混合建模结合建模与仿真专家与机器学习的基本实践的理解和好奇心以及机器学习物理和工程专家的好奇心和开放的深处真实世界的挑战。这个过程应该给一些时间,我仍然清楚地记得我们如何努力寻找共同语言的第一次会议。我们非常幸运在博世,两组快速增长和相互作用增加强度。raybet雷竞技ios下载

开始一段旅程

虽然我们已经看到了巨大的潜力数据的协同作用和物理在许多应用程序中,我觉得我们只是在一个旅程的开始。当我们学习越来越互相探索无尽的可能性相结合的方法,将会有新的想法,如果我们接受一些失败,我们会想出更好的产品设计和更好的方法和工具。我的预测是,在此过程中,机器学习和经典建模将继续有益互补的几十年。

你怎么认为?我很想听到你的意见!

请分享你的想法通过LinkedIn或直接联系我。

作者:费利克斯·希尔德布兰德

费利克斯是一个研究工程师在计算材料在不同尺度建模。他目前的重点是物理模型和人工智能之间的十字路口。整个问题在这个过程中这两种方法如何最佳组合形式“混合”方法。目标是大大改善我们的产品更快、更精确的模型。

Felix希尔德布兰德

分享:

发现相关的话题